СодержаниеОглавление
Оглавление 2
Аннотация 3
Введение 3
Сравнение с близкими продуктами 5
Глава 1. Рандомизированные алгоритмы стохастической аппроксимации 9
Основные предположения. Постановка задачи 14
Глава 2. Сервис рекуррентных алгоритмов RecService 15
Язык описания компонентов и задач 18
Глава 3. Применения 19
Вводный пример 19
Интерактивный определитель в Интернет 20
Рис. 2 Общая модель определителя с компонентом для расчета по методу Лобанова 22
Метод адаптивной балансировки 22
Задача балансировки 25
Алгоритм балансировки 26
Метод подстройки пользовательских приоритетов при поиске по коллекциям изображений 28
Задача подстройки приоритетов 30
Адаптивный метод средних рандомизированных показателей 32
Заключение. Результаты 36
Литература 38ВведениеДипломная работа содержит определение языка для описания систем, использующих рекуррентные алгоритмы стохастической оптимизации. Описывается разработанный автором прототип сервиса задания исполняемых моделей, способных взаимодействовать через веб-службы с внешними системами и хранить свое состояние в реляционной СУБД. Приведены примеры, иллюстрирующие использование сервиса в различных задачах информатики и управления.
Модели состоят из компонентов. Каждый компонент решает определенную задачу или несколько задач. Модель задается на уровне задач, то есть имеется возможность замены одного компонента на другой, если оба решают одинаковую задачу.
Сервис является легко расширяемым, так как основан на открытых стандартах описания данных и информационных потоков. Планируемые расширения связаны с построением удобного графического интерфейса для управления хранилищем компонентов и построения моделей, созданием новых компонентов, возможностью запуска вычислительных заданий в GRID-системы, что существенно расширит круг решаемых сервисом задач.
Введение
Современное программное обеспечение зачастую используется для взаимодействия со сложными инженерными объектами. Примерами совместного использования программного обеспечения и инженерных конструкций может служить управление полетом спутника, где сначала компьютер рассчитывает управляюЛитература1. Колесов Ю.Б. Объектно-ориентированное моделирование сложных динамических систем. СПб. Изд-во СПбГПУ. 2004.
2. Звягин П.Н., Нечаев Ю.И. Нейросетевое управление морским динамическим объектом. Научная сессия МИФИ-2006. Нейроинформатика - 2006. Часть 2 Модели адаптивного поведения. Применение нейронных сетей. Применение нейронных сетей. Теория нейронных сетей. Изд-во МИФИ. 2006. С. 81-87
3. Поляк Б.Т. Введение в оптимизацию. М.: Наука. 1983.
4. Corkill D.D. Blackboard Systems. AI Expert, 6(9), 1991, pp. 40-47
5. Граничин О.Н., Поляк Б.Т. Рандомизированные алгоритмы оценивания и оптимизации при почти произвольных помехах. М., Наука. 2003.
6. Kushner H., Yin G. Stochastic Approximation and Recursive Algorithms and Applications, 2nd ed., Springer, 2003.
7. SPSA: A Method For System Optimization, http://www.jhuapl.edu/spsa
8. Стохастическая оптимизация в информатике, сб. под ред. проф. Граничина О.Н. Т. 1. 2005., т. 2. 2006.
9. Fowler M., Inversion of Control Containers and the Dependency Injection pattern, http://www.martinfowler.com/articles/injection.html
10. Poutsma A., Spring Web Services - Reference Documentation, http://static.springframework.org/spring-ws/site/reference/html/index.html
11. Hibernate - Relational Persistence for Idiomatic Java. Hibernate Reference Documentation http://www.hibernate.org/hib_docs/v3/reference/en/html/
12. Черных И.В., Simulink: Инструмент моделирования динамических систем, http://www.nsu.ru/matlab/MatLab_RU/simulink/book1/index.asp.htm
13. Robbins H., Monro S., A stochastic approximation method, Ann. Math. Statist. V. 22, 1951, pp. 400-407
14. Kiefer J., Wolfowitz J. Statistical estimation on the maximum of a regression function. Ann. Math. Statist., V. 23, 1952, pp. 462-466.
15. Spall J. C. Multivariate stochastic approximation using a simultaneous perturbation gradient approximation, IEEE Transactions on Automatic Control, V. 37, 1992, pp. 332-341.
16. Граничин О.Н. Об одной стохастической рекуррентной процедуре при зависимых помехах в наблюдении, использующей на входе пробные возмущения, Вестник Ленингр. ун-та, сер. 1, в. 1, 1989, с. 92-93
17. Поляк Б.Т., Цыбаков А.Б. Оптимальные порядки точности поисковых алгоритмов стохастической аппроксимации, Проблемы передачи информации, 2, 1990, с. 45-53.
18. Blum J. R. Multidimensional stochastic approximation, Ann. Math. Statist., V. 9, 1954, pp. 737-744.
19. Вазан М., Стохастическая аппроксимация, М.: Мир, 1972.
20. Невельсон М.Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание, М.: Наука, 1972.
21. Михалевич В.С., Гупал А.М., Норкин В.И. Методы невыпуклой оптимизации , М.: Наука, 1987.
22. Fabian V. Stochastic approximation of minima with improved asymptotic speed, Ann. Math. Statist., v. 38., 1967. pp. 191-200.
23. Граничин О.Н., Процедура стохастической аппроксимации с возмущением на входе, Автоматика и телемеханика, 2, 1992, с. 97-104
24. Граничин О.Н. Оценивание точки минимума неизвестной функции, наблюдаемой на фоне зависимых помех, Проблемы передачи информации, 2, 1992, с. 16-20.
25. Граничин О.Н., Оптимальная скорость сходимости рандомизированных алгоритмов стохастической аппроксимации при почти произвольных помехах, Автоматика и телемеханика, 2, 2003, с. 88-99.
26. Chen H. F., Duncan T. E., Pasik-Duncan B. A Kiefer-Wolfowitz algorithm with randomized differences, IEEE Transactions on Automatic Control, V. 44, N 3, 1999. pp. 442-453.
27. Granichin O.N., Vakhitov A.T. Accuracy for the SPSA algorithm with two measurements. WSEAS Transactions on Systems. № 5. v. 5. May 2006. pp. 953-957.
28. Вахитов А.Т., Граничин О.Н., Сысоев С.С. Точность оценивания рандомизированного алгоритма стохастической оптимизации. Автоматика и телемеханика, 2006, № 4 , с.86-96.
29. Вахитов А.Т., Граничин О.Н.(СПбГУ) Рандомизированные алгоритмы оценивания при нерегулярных помехах, в сб. под ред. проф. Граничина О.Н., т. 2, 2006.
30. Milner R., The Polyadic pi-Calculus: A Tutorial, in Logic and Algebra of Specification. Springer-Verlag, 1993.
31. Johnson R. etc. The Spring Framework - Reference Documentation, 2.0.5, http://static.springframework.org/spring/docs/2.0.x/reference/index.html
32. Пархоменко П.П. Теория вопросников (обзор). Автоматика и телемеханика, №4 (1970)
33. Valdes-Perez R., Pericliev V., Pereira F. Concise, Intelligible, and Approximate Profiling of Multiple Classes. International Journal of Human-Computer Studies, Volume 53, Number 3, September 2000, pp. 411-436(26)
34. Свиридов А.В. Ключи в биологической систематике: теория и практика. М: Изд-во МГУ, 1994. 224 с.
35. Лобанов А.Л. Оценка диагностической ценности рядов признаков в многовходовых определителях, рассчитанных на использование ЭВМ. Тезисы докладов VI Коми республиканской молодежной научной конференции. 1974. Сыктывкар. c. 125-126.
36. Вахитов А.Т., Граничина О.А. Алгоритмы классификации за минимальное число шагов в сб. Стохастическая оптимизация в информатике под ред. Граничина О.Н., вып. 2, 2006, с. 167-174
37. Владимирович А.Г.(СПбГУ) Субоптимальный алгоритм распознавания образов в дискретном случае. в сб. Стохастическая оптимизация в информатике под ред. Граничина О.Н., вып. 1, 2005, с. 8-16
38. Шошмина И.В. и др. Использование Grid-технологий для крупномасштабных научных экспериментов. Часть 1. Введение в Grid-технологии с примерами практических занятий на базе ARC Nordugrid. СПб:Копи-Сервис, 2006. - 49 с.
39. Squire D., M?ller W. and M?ller H. Relevance feedback and term weighting schemes for content-based image retrieval, Visual Information and Information Systems. 1999. pp. 549-556.
40. Измакова О.А., Сысоев С.С. Алгоритм стохастической оптимизации с возмущением на входе в задаче самообучения. Труды Международной школы-семинара Адаптивные роботы 2004. М.-СПб, 2004, с. 49-52
41. Хованов Н. И. Анализ и синтез показателей при информационном дефиците. СПб., СПбГУ, 1996.
42. Гуревич Л.С., Адаптивный метод выбора каналов новостей. Дипломная работа, каф. системного программирования математико-механического факультета СПбГУ, 2007.
43. Граничин О.Н., Жувикина И.А. Новая модель процесса вычислений: обобщение концепции машины Тьюринга. Нейрокомпьютеры: разработка, применение, 2006, № 7 , с.24-31.
|
|
